python数据处理与分析（汇总）（Python数据分析与处理）

python数据处理与分析（汇总）（Python数据分析与处理）

python结构化数据 数据处理与分析

​​导语​​

​​我们所面临的数据​​

​​1.读取数据​​​​2.审视数据​​

​​2.1 整体​​​​2.2 局部（单行、列，多行、列）​​

​​3.数据类型，字段更改​​

​​3.1 字符类（object）处理​​​​3.2 时间数据（datetime）处理​​​​3.3 数据类型（float，int）处理​​​​3.4 分类数据（category）处理​​​​3.5 colums，index改变​​

​​4.缺失值处理​​

​​4.1 查看缺失值情况​​​​4.2 删除缺失值​​​​4.3 填充缺失值 - 简单填充​​​​4.4 填充缺失值 - 随机森林回归填充​​

​​python实例​​

​​5.重复值​​​​6.异常值​​

​​6.1 业务的异常值​​​​6.2 异常检测算法​​

​​7.根据业务需求，选择一些数据​​​​8.数据抽样​​​​9.数据转化​​

​​9.1 归一化​​​​9.2 标准化​​​​9.3 正则化​​​​9.4 LabelEncoder​​​​9.5 OneHotEncoder​​

​​10.数据分组、排序、透视​​​​11.map、apply、applymap处理数据技巧​​

​​11.1 处理Series（处理一列、一行数据情况）​​​​11.2 处理DataFrame（处理多列、多行或整个数据情况）​​

导语

在机器学习深度学习项目中，视频，图片，文本，语音，结构化数据

本文基于大量kaggle结构化数据的项目，总结一些，在做机器学习模型时，遇到结构化数据时，如何观察数据情况，如何处理数据，如何对数据进行分析的正确流程和细节

目的是：掌握在数据训练模型之前，给模型一个最好的数据。

我们所面临的数据

在status上数据被定义为面板数据（Panel data），其中面板数据，也分成时间序列数据（Time series data）和截面数据（Cross-sectional data）

1.读取数据

实例数据处理，使用kaggle的Titanic数据集进行操作。​​​dataset​​

data=pd.read_csv('train.csv')

2.审视数据

2.1 整体

我们只需要用data.info()，data.head()，data.describe()，data.isna().sum()就行， 我们数据 无非就是，int float类（数字）和object类的 （字符、时间）

审视数据的核心目的是：观察各数据字段的数据类型，分清楚连续型数据、分类型数据和时间型数据，看下数据有无缺失的部分。

2.2 局部（单行、列，多行、列）

通过词云，观察字符类的数据的计数：

from wordcloud import WordCloudcloud = WordCloud(width=1440,height=1080).generate(" ".join(data.Name.astype(str)))plt.figure(figsize=(8,8))plt.imshow(cloud)plt.axis('off')

3.数据类型，字段更改

3.1 字符类（object）处理

在机器学习的特征选择的时候，往往有一些离散的特征不好计算，我们需要用些数值来替换这些字符串。

例如这里的数据集中的Sex，只有二种离散特征 male、female

data[‘Cabin’]=data[‘Cabin’].str.extract(’(\d+)’)：提取指定列字符串中的数值，这里就涉及很多正则表达式了，提取不同的结果。

3.2 时间数据（datetime）处理

有时候也会需要时间类的数据如何处理，时间类的数据类型也是object

data[‘date’]=pd.to_datetime(data[‘date’],format=’%Y%m’)：设置时间数据为指定的format格式

3.3 数据类型（float，int）处理

data[‘Age’]=data[‘Age’].astype(np.int64)：更改数据类型

3.4 分类数据（category）处理

3.5 colums，index改变

data.reset_index(drop=True) ：还原索引，并将索引新设置为0,1,2…

4.缺失值处理

4.1 查看缺失值情况

4.2 删除缺失值

针对离散类分类数据，通常是填充不了的，只能删除，只有连续类数值数据，适合填充

data.dropna(how = ‘all’)：传入这个参数后将只丢弃全为缺失值的那些行data.dropna(axis = 1)：丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）data.dropna(axis=1,how=“all”)：丢弃全为缺失值的那些列data.dropna(axis=0,subset = [“Age”, “Sex”])：丢弃‘Age’和‘Sex’这两列中有缺失值的行

4.3 填充缺失值 - 简单填充

像属性类的数据，年龄，身高这些数据，只能简单填充。

df.fillna(0)：单独的值来填充缺失值，例如0df.fillna(method=‘bfill’,axis=‘columns’)：使用缺失值后面的有效值来从后往前填充，对于DataFrame来说，需要指定axis，未指定情况下按照rows方向填充df.fillna(method=‘ffill’,axis=‘rows’)：使用缺失值前面的有效值来从前往后填充，对于DataFrame来说，需要指定axismode=data.column.mode() data[‘column’].fillna(value=mode[0],inplace=True)：使用列均值或者中位数填充

4.4 填充缺失值 - 随机森林回归填充

像连续类数据，是可以由于其他特征数据影响产生的数据，比如天气质量指数，是由于其他特征降雨量，二氧化碳值共同影响的，就可以使用算法来填充。

随机森林回归原理:

任何回归都是从特征矩阵中学习，然后求解连续型标签y的过程，之所以能够实现这个过程，是因为回归算法认为，特征矩阵和标签之前存在着某种联系。实际上，标签和特征是可以相互转换的。

python实例

df=pd.DataFrame({'height':[1.56,1.52,1.78,1.67,1.90,1.84], 'age':[23,20,16,18,45,24], 'weight':[120,150,105,90,169,110], "BMI":[3.9,4.0,4.4,np.nan,np.nan,np.nan]})

from sklearn.ensemble import RandomForestRegressordf_x=df.drop(['BMI'],axis=1)df_y=df.loc[:,'BMI']y_train=df_y[df_y.notnull()]y_test=df_y[df_y.isnull()]x_train=df_x.iloc[y_train.index]x_test=df_x.iloc[y_test.index]rfc=RandomForestRegressor(n_estimators=100)rfc=rfc.fit(x_train,y_train)y_predict=rfc.predict(x_test)df_y[df_y.isnull()]=y_predictdf

5.重复值

data[data.duplicated(subset=[“columns”], keep=‘first’)]：查找指定列存在的重复数据data.drop_duplicates(subset=[“columns”], keep=‘first’, inplace=False)：删除指定列重复的数据

6.异常值

通常我们面对的异常值都是连续性数据或者离散性数据，因此在处理异常值，可以先通过画图来大致观察一下，是否存在异常值。

1.处理只有两个连续变量的联合分布，可以通过关系图来展示，比如：1.散点图，2.线图

散点图 - 离散性数据

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snssns.set(style="darkgrid") tips=sns.load_dataset("tips")tips

ax = sns.scatterplot(x="total_bill",y='tip',data=tips)

fmri = sns.load_dataset('fmri')ax = sns.lineplot(x='timepoint',y='signal',data=fmri)

2.处理多维的可以通过画箱线图来观察

ax = sns.boxplot(x='tip',data=tips,whis=np.inf)ax = sns.swarmplot(x='tip',data=tips,color='c')

6.1 业务的异常值

这个根据业务要求选择一些异常值

6.2 异常检测算法

7.根据业务需求，选择一些数据

8.数据抽样

其实我们在训练模型的过程，都会经常进行数据采样，为了就是让我们的模型可以更好的去学习数据的特征，从而让效果更佳。但这是比较浅层的理解，更本质上，数据采样就是对随机现象的模拟，根据给定的概率分布从而模拟一个随机事件。另一说法就是用少量的样本点去近似一个总体分布，并刻画总体分布中的不确定性。

因为我们在现实生活中，大多数数据都是庞大的，所以总体分布可能就包含了无数多的样本点，模型是无法对这些海量的数据进行直接建模的（至少目前而言），而且从效率上也不推荐。

因此，我们一般会从总体样本中抽取出一个子集来近似总体分布，这个子集被称为“训练集”，然后模型训练的目的就是最小化训练集上的损失函数，训练完成后，需要另一个数据集来评估模型，也被称为“测试集”。

采样的一些高级用法，比如对样本进行多次重采样，来估计统计量的偏差与方法，也可以对目标信息保留不变的情况下，不断改变样本的分布来适应模型训练与学习（经典的应用如解决样本不均衡的问题）。

抽样方法 随机抽样 不平衡数据抽样 简单随机抽样 分层抽样 整体抽样 系统抽样 过采样 下采样 过采样与下样的结合

9.数据转化

9.1 归一化

data['Norm_Age']=data.Age.transform(lambda x : (x-x.min())/(x.max()-x.min()))或from sklearn import preprocessingmin_max_scaler = preprocessing.MinMaxScaler()data['Norm_Age']=min_max_scaler.fit_transform(data.Age)

9.2 标准化

data['Z_Age']=data.Age.transform(lambda x : (x-x.mean())/x.std())或from sklearn import preprocessingZ_scaler = preprocessing.StandardScaler()data['Z_Age']=Z_scaler.fit_transform(data.Age)

9.3 正则化

from sklearn import preprocessingnormlizer = preprocessing.Normalizer(copy=True,norm='l2')data['norm_Age']=normalizer.fit_transform(data.Age)

9.4 LabelEncoder

LabelEncoder 将一列文本数据转化成数值

import pandas as pdds=pd.DataFrame({'color':['red','blue','red','yellow']})

from sklearn.preprocessing import LabelEncoderle=LabelEncoder()label_pclass=le.fit_transform(data)data['color']=label_pclass

9.5 OneHotEncoder

OneHotEncoder将每一个类可能取值的特征变换为二进制特征向量，每一类的特征向量只有一个地方是1，其余位置都是0

from sklearn.preprocessing import OneHotEncoderone=OneHotEncoder()onecolor=one.fit_transform(ds)onecolor.toarray()

ds=ds.join(pd.get_dummies(ds.color))

10.数据分组、排序、透视

data.sort_values([col1,col2],ascending=[True,False])：先按列col1升序排列，后按col2降序排列数据

data.groupby('Pclass')list(group)

data=data[['Pclass','Age','Price']]

data.groupby(“Pclass”).agg(‘mean’)：按Pclass分组，对Pclass之外的列根据Pclass不同组，求mean值，agg可以接受列表参数，agg([len,np.mean])

11.map、apply、applymap处理数据技巧

11.1 处理Series（处理一列、一行数据情况）

map

boolean=[True,False]gender=["男","女"]color=["white","black","yellow"]data=pd.DataFrame({ "height":np.random.randint(150,190,100), "weight":np.random.randint(40,90,100), "smoker":[boolean[x] for x in np.random.randint(0,2,100)], "gender":[gender[x] for x in np.random.randint(0,2,100)], "age":np.random.randint(15,90,100), "color":[color[x] for x in np.random.randint(0,len(color),100)]})

#使用字典进行映射data["gender"] = data["gender"].map({"男":1, "女":0})

也可以使用map映射函数

#使用函数def gender_map(x): gender = 1 if x == "男" else 0 return gender#注意这里传入的是函数名，不带括号data["gender"] = data["gender"].map(gender_map)

def apply_age(x,bias): return x+bias#以元组的方式传入额外的参数data["age"] = data["age"].apply(apply_age,args=(-3,))

11.2 处理DataFrame（处理多列、多行或整个数据情况）

apply

# 沿着0轴求和data[["height","weight","age"]].apply(np.sum, axis=0)

# 沿着0轴取对数data[["height","weight","age"]].apply(np.log, axis=0)

df = pd.DataFrame( { "A":np.random.randn(5), "B":np.random.randn(5), "C":np.random.randn(5), "D":np.random.randn(5), "E":np.random.randn(5), })

df.applymap(lambda x:"%.2f" % x)

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。